面向油气勘探风险的机器学习可解释性鲁棒性评估统一框架
机器学习
2026-02-17 v1
摘要
在地球物理学中，油气勘探风险涉及通过整合来自 various sources 的数据来评估与油气勘探相关的风险。最近，基于机器学习的分类器trained on表格数据被用于对这些勘探项目做出更快的决策。由于此类模型在决策过程中的透明度不足，导致可解释人工智能（XAI）的兴起。LIME 和 SHAP 是两种此类 XAI 方法，试图通过对输入特征按重要性排序来生成特定决策的解释。然而，相同情景下这两种不同解释策略生成的解释可能相互矛盾或不同，特别是针对复杂数据而言。这是因为不同解释策略对“重要性”和“相关性”的定义不同。因此，使用以因果必要性和充分性为理论依据的排名特征，可能会更可靠、更稳健地提高相关解释策略的可信度。我们提出了一个统一框架，用于生成反事实样本并量化必要性和充分性，以对高维结构化油气勘探数据上LIME和 SHAP所提供的解释进行鲁棒性评估。这种鲁棒性测试为我们提供了更深入的洞见，揭示了模型处理错误数据的数据处理能力，以及哪种 XAI 模块与哪个模型在给定数据集上最佳搭配，以实现油气指示。
引用
@article{arxiv.2602.14430,
title = {A unified framework for evaluating the robustness of machine-learning interpretability for prospect risking},
author = {Prithwijit Chowdhury and Ahmad Mustafa and Mohit Prabhushankar and Ghassan AlRegib},
journal= {arXiv preprint arXiv:2602.14430},
year = {2026}
}